[发明专利]一种基于深度学习和植物分类学的植物识别方法

权利要求书

1.一种基于深度学习和植物分类学的植物识别方法，其特征在于，包括以下步骤：

步骤1，收集样本植物图像和待识别植物图像，将样本植物图像进行科、属、种的标记；

步骤2，将样本植物图像输入深度卷积神经网络中进行训练，所述深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层接收输入图像，卷积层和池化层用于图像特征提取，全连接层用于特征分类，输出层用于输出结果；输出层同时具有3个输出值，分别为该植物的科、属、种标记；

所述深度卷积神经网络的损失函数为植物科、属、种的交叉熵损失的加权和，即为：

；

其中，表示损失函数加权和，、、分别为科、属、种的交叉熵损失函数，、、分别为科、属、种损失函数的权重，分别表示科、属、种；

科、属、种的交叉熵损失函数为：

；

其中，，为分别对于科、属、种的交叉熵损失函数，表示分类数， 表示第j个分类的真实概率，表示第j个分类的预测概率，给定输入图片，预测权值，则对第j个分类预测权值为，则

；

训练过程包括前向传播和反向传播，在反向传播时，通过随机梯度下降算法更新深度卷积神经网络的各层权值，反向逐层减去交叉熵损失对于该层权值的偏导数与设定学习率的乘积，待训练损失函数小于一定损失阀值时，停止训练并固定各层权值不再改变，得到训练好的深度卷积神经网络；

随机梯度下降算法目标为：

；

求解方法为，对于共张训练图片，从1到不断重复执行下式直到收敛：

；

其中，表示随机梯度，满足，表示对于的偏导数，是下降系数；

步骤3，将待识别植物图像输入到步骤2已训练好的深度卷积神经网络中，依据输出标记得到最终识别结果。

2.根据权利要求1所述基于深度学习和植物分类学的植物识别方法，其特征在于：将收集的样本植物图像和待识别植物图像输入深度卷积神经网络训练前，先进行数据增强处理，数据增强处理至少包括旋转、裁剪、放大；旋转是指将植物图像每旋转n度后进行一次采样，0n360；裁剪是指多次随机多次裁剪植物图像中的一部分后进行采样，保证裁剪后图像面积不小于原始图像的二分之一；放大是指多次随机将图像中的一部分放大后再进行采样。

3.根据权利要求2所述基于深度学习和植物分类学的植物识别方法，其特征在于：所述深度卷积神经网络中输入层、卷积层、池化层、全连接层、输出层的总层数在10层以上。

4.根据权利要求3所述基于深度学习和植物分类学的植物识别方法，其特征在于：所述损失阀值为0.00001。